模式識別：使用MATLAB分析與實現

本書是作者依據多年從事模式識別教學和研究的體會，參考相關文獻編寫而成的，概括地介紹了模式識別理論和技術的基本概念、原理、方法和實現。全書共分為11章，每章闡述模式識別中的一個知識點，內容包括貝葉斯決策、概率密度函數的估計、線性判別分析、非線性判別分析、組合分類器、無監督模式識別、特徵選擇、特徵提取、半監督學習以及人工神經網路。

除了經典演算法以外，本書增加了部分較新的理論和演算法，讀者可以選擇性地學習。本書還配以電子課件、MATLAB模擬程式和實驗指導書，便於教和學。本書可以作為高等學校人工智慧、計算機、資訊、自動化、遙感、控制等專業本科生或研究生的教材或參考書，也可以作為從事相關研究與應用人員的參考書。

第1章 緒論
1.1 模式識別的基本概念
1.2 模式識別方法
1.3 模式識別系統
1.4 模式識別的應用
習題

第2章 貝葉斯決策
2.1 貝葉斯決策的基本概念
2.2 小錯誤率貝葉斯決策
2.2.1 決策規則
2.2.2 錯誤率
2.2.3 模擬實現
2.3 小風險貝葉斯決策
2.3.1 決策規則
2.3.2 兩種貝葉斯決策的關係
2.4 樸素貝葉斯分類器
2.5 Neyman-Pearson決策規則
2.6 判別函數和決策面
2.7 正態分佈模式的貝葉斯決策
2.7.1 正態概率密度函數
2.7.2 正態概率模型下的 小錯誤率貝葉斯分類器
2.7.3 模擬實現
2.8 貝葉斯決策的實例
習題

第3章 概率密度函數的估計
3.1 基本概念
3.2 參數估計
3.2.1 似然估計
3.2.2 後驗估計
3.2.3 貝葉斯估計
3.3 非參數估計
3.3.1 長條圖方法
3.3.2 Parzen窗法
3.3.3 kN近鄰密度估計法
3.4 小錯誤率貝葉斯決策的實例
習題

第4章 線性判別分析
4.1 基本概念
4.1.1 線性判別函數
4.1.2 廣義線性判別函數
4.1.3 線性判別函數的設計
4.2 Fisher線性判別分析
4.2.1 基本原理
4.2.2 準則函數及求解
4.2.3 分類決策
4.2.4 模擬實現
4.3 感知器演算法
4.3.1 基本概念
4.3.2 感知器準則函數及求解
4.3.3 模擬實現